IMPLEMENTASI ALGORITMA EIGENFACE DAN MINKOWSKI DISTANCE UNTUK PENGENALAN WAJAH SKRIPSI

Transkripsi

1 IMPLEMENTASI ALGORITMA EIGENFACE DAN MINKOWSKI DISTANCE UNTUK PENGENALAN WAJAH SKRIPSI Disusun Sebagai Salah Satu Syarat Untuk Memperoleh Gelar Sarjana Komputer Jurusan Ilmu Komputer/ Informatika Disusun oleh: Jhani Ronal J2F JURUSAN ILMU KOMPUTER/ INFORMATIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS DIPONEGORO 2015 i

2 HALAMAN PERNYATAAN KEASLIAN SKRIPSI Saya yang bertanda tangan di bawah ini : Nama : Jhani Ronal NIM : J2F Judul : Implementasi Algoritma Eigenface dan Minkowski Distance untuk Pengenalan Wajah Dengan ini saya menyatakan bahwa dalam tugas akhir/ skripsi ini tidak terdapat karya yang pernah diajukan untuk memperoleh gelar kesarjanaan di suatu Perguruan Tinggi, dan sepanjang pengetahuan saya juga tidak terdapat karya atau pendapat yang pernah ditulis atau diterbitkan oleh orang lain, kecuali yang secara tertulis diacu dalam naskah ini dan disebutkan di dalam daftar pustaka. ii

3 HALAMAN PENGESAHAN Judul Nama NIM : Implementasi Algoritma Eigenface dan Minkowski Distance untuk Pengenalan Wajah : Jhani Ronal : J2F Telah diujikan pada sidang tugas akhir pada tanggal 31 Agustus 2015 dan dinyatakan lulus pada tanggal 31 Agustus 2015 Semarang, 31 Agustus 2015 Mengetahui, iii

4 HALAMAN PENGESAHAN Judul Nama : Implementasi Algoritma Eigenface dan Minkowski Distance untuk Pengenalan Wajah : Jhani Ronal NIM : J2F Telah diujikan pada sidang Tugas Akhir tanggal 31 Agustus 2015 iv

5 ABSTRAK Teknologi pengenalan wajah berkembang dengan sangat cepat, dapat mengenali wajah layaknya manusia yang mampu mengenali wajah manusia dengan cepat dan tepat. Perkembangan teknologi pengenalan wajah saat ini dapat membantu pekerjaan manusia dalam bidang keamanan rumah, pencocokan identitas, absensi kehadiran, dan pencarian orang hilang. Pemanfaatan teknologi pengenalan wajah membutuhkan perangkat lunak yang menerapkan Algoritma Eigenface dan Minkowski Distance agar dapat melakukan fungsinya dalam pengenalan wajah. Perangkat lunak pengenalan wajah dikembangkan menggunakan bahasa pemrograman C# dan memanfaatkan library EmguCV dengan nilai parameter minkowski yang digunakan dalam proses klasifikasi adalah 4. Hasil pengujian yang diperoleh untuk pengenalan wajah yang sudah ada didalam data pelatihan dengan nilai kecocokan 87,75%. Kata kunci : Pengenalan Wajah, EmguCV , Eigenface, Minkowski Distance v

6 ABSTRACT Facial recognition technology develops very quickly, just as humans can recognize faces that can recognize human faces quickly and precisely. The development of today's facial recognition technology can help humans work in the field of home security, identity matching, attendance, and missing persons. Utilization of facial recognition technology requires software that applies the Algorithm Eigenface and Minkowski Distance in order to perform its functions in face recognition. Facial recognition software develop using C # programming language and libraries utilize EmguCV with Minkowski parameter values used in the classification process is 4. The test results obtained for face recognition are already in the training data to the value of match 87.75%. Key words : Face recognize, EmguCV , Eigenface, Minkowski Distance vi

7 KATA PENGANTAR Puji syukur pada kehadirat Allah SWT karena berkat Rahmat dan Hidayah-Nya penulis dapat menyelesaikan laporan tugas akhir yang berjudul Implementasi Algoritma Eigenface dan Minkowski Distance untuk Pengenalan Wajah. Laporan tugas akhir ini disusun sebagai salah satu syarat untuk memperoleh gelar Sarjana Strata Satu (S1) pada Jurusan Ilmu Komputer/ Informatika Fakultas Sains dan Matematika Universitas Diponegoro Semarang. Pelaksanaan penyusunan laporan tugas akhir ini, banyak mendapat bimbingan, arahan, dan bantuan dari berbagai pihak. Oleh karena itu dengan segala kerendahan hati, penulis ingin mengucapkan terima kasih dengan tulus kepada : 1. Prof. Dr. Widowati, Msi, selaku Dekan FSM UNDIP. 2. Nurdin Bahtiar, S.Si, M.T selaku Ketua Jurusan Ilmu Komputer / Informatika. 3. Indra Waspada, ST, M.TI, selaku Koordinator Tugas Akhir. 4. Drs. Eko Adi Sarwoko, M.Kom selaku dosen pembimbing Tugas Akhir 5. Semua pihak yang telah membantu hingga selesainya tugas akhir ini, yang tidak dapat disebutkan satu persatu. Semoga Allah SWT membalas segala kebaikan yang telah diberikan. Laporan tugas akhir ini masih banyak terdapat kekurangan baik dari penyampaian materi maupun isi dari materi itu sendiri. Hal ini dikarenakan keterbatasan kemampuan dan pengetahuan dari penulis. Oleh karena itu, kritik dan saran yang bersifat membangun sangat penulis harapkan. Semoga laporan tugas akhir ini dapat bermanfaat bagi penulis dan juga pembaca pada umumnya. Semarang, 31 Agustus 2015 Penulis vii

8 DAFTAR ISI HALAMAN PERNYATAAN KEASLIAN SKRIPSI... ii HALAMAN PENGESAHAN... iii HALAMAN PENGESAHAN... iv ABSTRAK... v ABSTRACT... vi KATA PENGANTAR... vii DAFTAR ISI... viii DAFTAR GAMBAR... xii DAFTAR TABEL... xiii DAFTAR LAMPIRAN... xiv BAB I PENDAHULUAN Latar Belakang Rumusan Masalah Tujuan dan Manfaat Ruang Lingkup Sistematika Penulisan... 3 BAB II LANDASAN TEORI Pendeteksian Wajah Deteksi Obyek Haar like Training Data Haar Feature Integral Image Cascade Classifier Pengertian Citra Citra Optik... 9 viii

9 Citra Analog Citra Digital Format File Citra Proses Umum Pengenalan Wajah Acquisition Module Pre-processing Module Feature Extraction Module Classification Module Training Set Face Library or Face Database Pengertian Matriks Pengertian Matriks Transpose Pengertian Vektor Pengertian Nilai Varian dan Kovarian Pengertian Nilai Eigen dan Vektor Eigen Algoritma Eigenface Pengenalan Wajah Dengan Eigenface Perhitungan Minkowski Distance Library EmguCV Proses Perangkat Lunak Data Flow Diagram (DFD) Software Requirement Specification (SRS) Flowchart Pengujian Fungsional Webcam (Kamera Web) Microsoft Visual Studio BAB III ANALISIS DAN PERANCANGAN SISTEM ix

10 3.1. Analisis Spesifikasi Kebutuhan/ Software Requirment Specification (SRS) Pemodelan Fungsional Data Context Diagram DFD Level 1 Pengenalan Wajah DFD Level 2 Pengenalan wajah DFD Level 3 Praproses DFD Level 3 Ektraksi Fitur DFD Level 3 Klasifikasi Flowchart Praproses Ekstraksi Fitur Klasifikasi Bobot Citra Uji Perancangan Perancangan Fungsional Perancangan Antarmuka Rancangan Halaman Depan Rancangan Halaman Pengguna Rancangan Halaman Pengenalan (Aministrator) Rancangan Halaman Input Citra BAB IV IMPELEMENTASI DAN PENGUJIAN Implementasi Implementasi Fungsional Implementasi Rancangan Antarmuka Implementasi Halaman Depan Implementasi Halaman Pengguna x

11 Implementasi Halaman Pengenalan (Administrator) Implementasi Halaman Input Citra Pelatihan Pengujian Lingkungan Pengujian Perangkat Lunak Pengujian Perangkat Keras Pengujian Pengujian Fungsional Perencanaan Pengujian Proses Pengujian Fungsional Hasil dan Analisis Pengujian Fungsional Pelaksanaan Pengujian Data Pelatihan Citra Rencana Pengujian Data Pelatihan Citra Proses Pelatihan Data Pengujian Analisa dan Hasil Pengujian Data Pelatihan BAB V PENUTUP Kesimpulan Saran DAFTAR PUSTAKA xi

12 DAFTAR GAMBAR Gambar 2.1 Jenis-jenis Feature Haar... 8 Gambar 2.2 Integral Image... 8 Gambar 2.3 Citra Fungsi Dua Variabel Gambar 2.4 Vektor Gambar 2.5 Fase-fase Dalam Waterfall Model Gambar 2.6 Webcam Gambar 3.1 DFD Level 0 Pengenalan Wajah Gambar 3.2 DFD Level 1 Pengenalan Wajah Gambar 3.3 DFD Level 2 Pengenalan Wajah Gambar 3.4 DFD Level 3 Praproses Gambar 3.5 DFD Level 3 Ektraksi Fitur Gambar 3.6 DFD Level 3 Klasifikasi Gambar 3.7 Flowchart Secara Umum Perangkat Lunak Gambar 3.8 Contoh Citra Deteksi Gambar 3.9 Praproses Gambar 3.10 Ekstraksi Fitur Gambar 3.11 Klasifikasi Gambar 3.12 Bobot Citra Uji Gambar 3.13 Halaman Depan Gambar 3.14 Halaman Pengguna Gambar 3.15 Halaman Pengenalan Gambar 3.16 Halaman Input Citra Gambar 4.1 Halaman Depan Gambar 4.2 Halaman Pengguna Gambar 4.3 Halaman Pengenalan Gambar 4.4 Halaman Input Citra xii

13 DAFTAR TABEL Tabel 2.1 Simbol-simbol DFD Tabel 2.2 Tabel Format SRS Tabel 2.3 Simbol-simbol flowchart Tabel 3.1 Spesifikasi Kebutuhan Perangkat Lunak Tabel 4.1 Tabel Rencana Pengujian Tabel 4.2 Hasil Pengujian Fungsional Tabel 4.3 Tabel Hasil Uji Proses Pengenalan Wajah xiii

14 DAFTAR LAMPIRAN Lampiran 1 Gambar Data Pelatihan Lampiran 2 Gambar Hasil Uji Lampiran 3 File : namapelatihan.txt xiv

15 1. BAB I PENDAHULUAN Bab ini membahas latar belakang, rumusan masalah, tujuan dan manfaat, serta ruang lingkup tugas akhir mengenai Implementasi Algoritma Eigenface dan Minkowski Distance untuk Pengenalan Wajah Latar Belakang Pengenalan wajah merupakan salah satu kemampuan penting dalam kehidupan sosial manusia. Seseorang dapat mengingat ratusan bahkan ribuan wajah dalam hidupnya, dan mampu mengenali wajah tersebut dalam berbagai kondisi. Pengenalan wajah merupakan sebuah permasalahan klasifikasi generik yang didasarkan pada obyek berupa wajah manusia. Proses pengenalan dilakukan dengan membandingkan citra wajah seseorang dan template wajah banyak orang yang tersimpan dalam database, dan setiap manusia dapat mengenali banyak wajah. Perkembangan teknologi dalam bidang biometrik dalam hal ini pemanfaatan karakter atau organ tubuh manusia, sebagai contoh penggunaan wajah, iris mata untuk pengenalan manusia. Wajah manusia memiliki keunikan dan bervariasi satu sama lain. Atas dasar ini wajah dapat digunakan sebagai dasar dalam pengenalan wajah. Perkembangan pengenalan wajah dapat digunakan untuk tindakan pencegahan kejahatan, keamanan rumah, kemanan masuk suatu sistem komputer, sistem kehadiran pengenalan wajah, identifikasi pelaku tindak kejahatan dan banyak pemanfaatan lainnya. Banyak teknik yang digunakan dalam pengenalan wajah, salah satunya dengan Algoritma Eigenface (Turk & Pentland, 1991). Algoritma Eigenface mampu merepresentasikan secara efisien keadaan wajah manusia (Atalay, 1996). Algoritma ini memberikan kemudahan pemodelan dan analisa wajah secara linier, sehingga memungkinkan penghitungan vektor karakteristik citra wajah yang merupakan fitur wajah. Proses identifikasi dapat dilakukan dengan membandingkan bobot-bobot proyeksi tiap wajah terhadap vektor karakteristik ini. 1

16 Algoritma yang digunakan dalam pengenalan wajah pada pengenalan wajah ini adalah Algoritma Eigenface yang digunakan untuk mengekstrak informasi yang terkandung dalam sebuah citra yang kemudian akan dikodekan (Puspitasari, 2012). Eigenface mampu merepresentasikan secara efisien keadaan wajah manusia (Atalay, 1996). Algoritma ini memberikan kemudahan pemodelan dan analisa wajah secara linier, sehingga memungkinkan penghitungan vektor karakteristik citra wajah yang merupakan fitur wajah. Proses identifikasi dapat dilakukan dengan membandingkan bobot-bobot proyeksi tiap wajah terhadap vektor karakteristik ini dengan Minkowski Distance. Berdasarkan uraian, pada penelitian ini dibangun suatu program perangkat lunak Implementasi Algoritma Eigenface dan Minkowski Distance untuk Pengenalan Wajah Rumusan Masalah Berdasarkan uraian latar belakang, dapat dirumuskan permasalahan yang dihadapi, yaitu bagaimana membangun perangkat lunak Implementasi Algoritma Eigenface dan Minkowski Distance untuk Pengenalan Wajah Tujuan dan Manfaat Tujuan yang ingin dicapai dalam penulisan tugas akhir ini adalah: a. Menghasilkan sebuah aplikasi pengenalan wajah berbasis desktop dengan menggunakan Algoritma Eigenface dan Minkowski Distance. b. Memperoleh nilai pencocokan antara citra latih dan citra uji. Manfaat yang diharapkan dari Tugas Akhir ini adalah : 1) Bagi Penulis a. Penulis dapat mengimplementasikan ilmu yang didapat selama perkuliahan ke dunia nyata dengan merancang dan mengembangkan aplikasi ini. b. Mendapatkan pengalaman dalam mengembangkan aplikasi yang berkaitan dengan pengolahan citra, aljabar linier dan matriks transformasi linier. c. Sebagai usaha meraih gelar S1 (S.Kom). 2

17 2) Bagi Universitas Diponegoro Sebagai bahan referensi untuk Universitas Diponegoro sehingga dapat digunakan adik angkatan bila menemukan permasalahan dalam bidang yang sama Ruang Lingkup Ruang lingkup yang jelas diberikan dalam penyusunan tugas akhir ini agar pembahasan lebih terarah dan tidak menyimpang dari tujuan penulisan. Aplikasi yang akan dikembangkan adalah perangkat lunak Implementasi Algoritma Eigenface dan Minkowski Distance untuk Pengenalan Wajah. Ruang lingkup pada tugas akhir ini adalah sebagai berikut : 1. Aplikasi bersifat desktop-based dan hanya dapat digunakan pada komputer yang memiliki aplikasi tersebut. 2. Bentuk implementasinya menggunakan bahasa pemrograman C#. 3. Pengerjaan dititikberatkan pada implementasi Algoritma Eigenface dan Minkowski Distance dengan menggunakan library EmguCV. 4. Aplikasi menggunakan webcam sebagai penangkap citra wajah. 5. Pencahayaan di tempat sistem bekerja dan pose wajah adalah relatif tetap atau tidak berubah-ubah. 6. Jarak pengguna aplikasi dengan webcam relatif tetap dan tidak berubah-ubah. 7. Citra wajah diambil dalam posisi kepala normal (tegak) dengan ekspresi normal. 8. Data pelatihan dan data pengujian dapat berupa wajah langsung atau foto wajah. 9. Proses pelatihan tidak dijabarkan karena menggunakan library dari EmguCV. 10. Pengenalan wajah dilakukan untuk tiap wajah yang sudah dilakukan pelatihan Sistematika Penulisan Sistematika penulisan yang digunakan dalam tugas akhir ini terbagi menjadai beberapa pokok bahasan yaitu : BAB I PENDAHULUAN Berisi uraian latar belakang masalah, perumusan masalah, batasan masalah, tujuan dan manfaat, ruang lingkup, serta sistematika penulisan. 3

18 BAB II BAB III BAB IV BAB V LANDASAN TEORI Berisi penjelasan singkat konsep konsep yang mendukung pengembangan sistem, meliputi pendeteksian wajah, pengertian citra, format file citra, proses umum pengenalan wajah, pengertian matriks, pengertian nilai varian dan kovarian, pengertian nilai eigen dan vektor eigen, Algoritma Eigenface, perhitungan Minkowski Distance, library EmguCV, proses perangkat lunak, webcam, Microsoft Visual Studio ANALISIS DAN PERANCANGAN SISTEM Membahas proses pengembangan sistem pada tahap definisi kebutuhan, analisis dan perancangan, dengan hasilnya berupa desain dan rancangan sistem yang dikembangkan. IMPLEMENTASI DAN PENGUJIAN Membahas hasil pengembangan sistem pada tahap implementasi dan menerangkan rincian pengujian sistem. PENUTUP Berisi kesimpulan yang diambil berkaitan dengan sistem yang dibangun dan saran untuk pengembangan lebih lanjut. 4